Generalized TV--$\ell_p$ Structured Priors for Bayesian $T_1$ Mapping

기술 요약: 베이지안 T1 매핑을 위한 일반화된 TV–$\ell_p$ 구조적 사전 확률 (Generalized TV–$\ell_p$ Structured Priors for Bayesian T1 Mapping)

문제 정의
정량적 MRI(qMRI), 특히 T1 매핑은 단순한 질적 대조도 가중치 이미지가 아니라 생물리학적 파라미터(예: 종축 이완 시간)를 추정하는 것을 목표로 한다. Variable Flip Angle(VFA) 및 Modified Look-Locker(MOLLI)와 같은 기법이 표준적으로 사용되지만, 이들은 종종 긴 획득 시간으로 인해 k-공간 데이터가 언더샘플링되는 문제, 즉 부적절한 역문제(ill-posed inverse problems)를 야기한다. 최대 가능도 추정(Maximum Likelihood Estimation, MLE)과 같은 기존의 재구성 방법들은 일반적으로 복셀을 독립적으로 취급한다. 이러한 접근 방식은 종종 노이즈가 많은 재구성을 생성하며 추정 불확실성을 고려하지 못한다.

베이지안 추론은 사전 지식을 통합하고 사후 분포를 통해 불확실성을 정량화하는 프레임워크를 제공한다. 그러나 Total Variation(TV) 정규화를 기반으로 유효한(proper) 사전 확률을 구축하는 것은 수학적으로 까다롭다. 표준 TV 페널티는 파라미터 공간에 대해 적분 불가능한데, 이는 TV 함수가 상수 이동에 대해 불변하기 때문($TV(x) = TV(x + c\mathbf{1})$), 결과적으로 발생하는 확률 분포의 정규화 상수가 발산하게 된다. 이를 해결하기 위해 시도되었던 이전의 방법들, 예를 들어 유계(bounded) TV 사전 확률은 파라미터 공간을 제한하여 유연성과 해석력을 저해한다.

방법론
저자들은 proper 확률 분포를 생성하기 위해 Total Variation(TV) 함수와 $\ell_p$ 노름($p \ge 1$)을 결$합한 일반화된 구조적 공간 사전 확률 패밀리를 제안한다.

1. 수학적 정식화:

   • 저자들은 먼저 TV 범함수(등방성 또는 이방성)만으로 정의된 사전 확률은 상수 벡터 방향에 대한 이동 불변성 때문에 (비음수 값으로 제한하더라도) improper하다는 것을 증명한다(Lemma 1 및 Lemma 2).
   • 이를 해결하기 위해, 저자들은 수정된 TV 함수 $TV^p_\mu(x) = TV(x) + \mu\|\bar{x}\|_p$를 정의한다 (여기서 $\mu > 0$ 이고 $\|\cdot\|_p$는 $\ell_p$ 노름이다).
   • 저자들은 이 수정된 함수의 지수의 적분이 수렴함을 증명하여(Lemma 3 및 Theorem 4), 파라미터 공간 전체에 걸쳐 완전한 지지 집합(full support)을 갖는 proper 사전 분포를 정의한다.

2. 베이지안 프레임워크:

   • 이 방법은 VFA(식 1) 및 MOLLI(식 3) 신호 모델을 사용하여 T1 매핑에 적용된다.
   • 우도(Likelihood)는 가법적 가우시안 노이즈를 가정하여 모델링된다.
   • 사후 분포는 제안된 $TV^p_\mu$ 사전 확률과 노이즈 분산에 대한 half-normal 사전 확률을 결합하여 구성된다.
   • 계층적 확장(hierarchical extension) 또한 제안되어, 하이퍼파라미터인 $\lambda$(TV 강도)와 $\mu$($\ell_p$ 강도)에 대한 하이퍼 사전 확률(exponential 분포)을 할당함으로써 이들을 데이터로부터 학습할 수 있도록 한다.
   • 사후 추론은 Hamiltonian Monte Carlo의 변형인 No-U-Turn Sampler(NUTS)를 사용하여 사후 분포로부터 샘플링하고 불확실성을 정량화한다.

3. 실험 설정:

   • 데이터셋: 본 방법은 합성 뇌(VFA) 및 심장(MOLLI) 데이터셋, 그리고 실제 인비보(in-vivo) 유방(VFA) 데이터셋에서 평가되었다.
   • 베이스라인: Uniform, Gamma, 그리고 유계 TV 사전 확률를 사용하는 MLE 및 다른 베이지안 대안들과 비교되었다.
   • 하이퍼파라미터 튜닝: 하이퍼파라미터는 Widely Applicable Information Criterion(WAIC)을 사용하여 추정된 기대 로그 점별 예측 밀도(elpd)를 최대화하도록 베이지안 최적화를 통해 선택되었다.

주요 기여

• 이론적 증명: 본 논문은 표준 TV 기반 사전 확률이 improper함을 엄격히 입증하고, 제안된 $TV^p_\mu$ 구성이 파라미터 값을 배제하지 않으면서 proper 사전 확률을 생성함을 증명한다.
• 일반화: 본 연구는 이방성 TV와 임의의 $\ell_p$ 노름($p \ge 1$)을 결합한 기존의 비등방성 TV-$\ell_1$ 구성을 일반화한다.
• 불확실성 정량화: 이 구조적 사전 확률을 베이지안 프레임워크에 내장함으로써, 점 추정치뿐만 아니라 신뢰 구간과 불확실성 맵을 제공하는 완전한 사후 추론을 가능하게 한다.

결과

• 사후 집중도(Posterior Concentration): 모든 데이터셋(합성 뇌, 합성 심장, 실제 유방)에서 제안된 $TV^p_\mu$ 사전 확률(특히 $p=1$인 경우)은 Uniform, Gamma, 유계 TV 사전 확률에 비해 일관되게 더 집중된 사후 확률 밀도 함수를 생성하였다. 이는 추정 불확실성의 상당한 감소를 나타낸다.
• 분산 및 편향: 본 방법은 다른 베이지안 방법 및 MLE에 비해 파라미터 추정의 분산이 낮고 음의 편향(negative bias)이 작았다.
• 공간적 일관성: 결과적인 T1 맵은 TV 정규화의 특성에 따라 에지를 보존하면서 노이즈를 효과적으로 억제하여 향상된 공간적 매끄러움과 일관성을 보여주었다.
• 강건성: MLE가 실패하는 합성 실험(예: 신호가 T1에 민감하지 않아 추정이 불안정한 뇌척수액 영역)에서도, 제안된 사전 확률을 사용한 베이지안 접근법은 안정적이고 신뢰할 수 있는 추정치를 제공했다.
• 실제 데이터 성능: 실제 유방 데이터셋에서 제안된 계층적 버전의 사전 확률이 가장 집중된 사후 분포를 생성하였으나, 저자들은 제안된 방법이 항상 유계 TV 사전 확률에 비해 가장 정확한 평균 추정치를 내지는 못한다는 편향-분산 트레이드오프(bias-variance trade-off)가 있음을 언급하면서도, 우수한 불확실성 정량화 능력을 제공한다고 밝혔다.

의의 및 주장
본 논문은 TV 기반의 구조적 페널티를 $\ell_p$ 노름과 결합하여 베이지안 모델에 내장하는 것이 T1 매핑을 위한 강건한 접근법임을 주장한다. 주요 의의는 추정된 파라미터 맵에 대해 공간적 일관성을 강제하고 변동을 매끄럽게 만드는 동시에, 엄격한 불확실성 정량화를 제공할 수 있다는 점에 있다. 저자들은 이 접근 방식이 (유계 지지 집합을 요구했던) 이전의 TV 기반 베이esian 방법들과 (불확실성 추정치가 없는) 빈도주의 방법들의 한계를 극복한다고 주장한다. 결론적으로, 이 프레임워크는 도전적인 노이즈 조건 및 제한된 데이터 환경에서 정확한 T1 추정을 위한 신뢰할 수 있는 토대를 제공하며, 다른 qMRI 양식 및 구조적 신호 복원 문제에도 적용될 가능성이 있다.